Nov, 2023

VIGraph：自监督学习用于类别不平衡节点分类

PDF
TL;DR本文分析了基于 SMOTE 方法的局限性，提出了基于自监督学习的 VIGraph 模型，该模型利用变分图自动编码器（VGAE）进行生成。VIGraph 在构建不平衡图时严格遵循不平衡的概念，并使用新的 Siamese 对比策略来改善生成节点的质量。实验结果表明，VIGraph 在类不平衡的节点分类任务中取得了有希望的成果。
class imbalancegraph datanode classificationself-supervised learningvgae
发现论文，激发创造
  • 基于变分图自编码器的归纳学习方法用于半监督分类

    提出了自标签增强的 VGAE 模型，包括自标签增强方法（SLAM），用于图的归纳学习，通过在模型训练中进行标签重建以利用标签信息，并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下，我们的模型在节点分类上表现出明显的优势。

    Mar, 2024

  • 自我监督表示学习的视觉地理定位

    利用自监督学习方法提升视觉地理定位技术性能和训练效率，通过统合 SimCLR、MoCov2、BYOL、SimSiam、Barlow Twins 和 VICReg 等多种自监督学习方法，研究训练策略和参数设置对视觉地理定位任务的适应性

    Jul, 2023

  • 使用图神经网络的不平衡节点分类方法 (GraphSMOTE)

    开发在图领域针对类别不平衡的 GNN 分类器的重要性，GraphSMOTE 框架综合利用了合成少数类过度采样算法和嵌入空间，使大类和小类样本的特征相对不变并提供了关系信息提高了分类器的准确性。

    Mar, 2021

  • 图像自监督学习：综述

    本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

    Feb, 2021

  • HGCVAE: 整合生成与对比学习的异构图学习

    HGCVAE 是一种新颖的对比变分图自编码器，通过创新地结合了生成性自我监督学习和对比性自我监督学习的方法，在处理异构图学习的挑战时表现出显著的结果。

    Oct, 2023

  • 图上自监督学习：对比、生成或预测

    本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。

    May, 2021

  • 基于超图的自监督学习与高效采样信号

    SE-HSSL 是一个基于超图的自我监督学习框架，通过两个无需采样的目标和一个基于层次关系的对比目标来解决超图自我监督学习模型中的负样本采样偏差和计算效率问题。实验证明，与现有方法相比，SE-HSSL 在有效性和效率上都具有优势。

    Apr, 2024

  • 通过潜在图预测的自监督表示学习

    本文提出了一种基于潜在图预测的自我监督学习框架 LaGraph，通过其理论上的自我监督上界来学习预测未观察到的潜在图。在实验中得到了相对于其他相关方法在性能上的提高和对样本减少的鲁棒性提升的证明。

    Feb, 2022

  • 一个概率模型解释自监督表示学习

    自监督学习在生成的潜在变量模型和对比方法的框架下，提出了一种能够改善性能、实现任务无关性表示的方法。

    Feb, 2024

  • ExGRG: 显式生成关系图用于自监督表示学习

    自我监督学习已成为一种强大的技术，通过利用未标记数据中的嵌入信号而不依赖昂贵的注释标签来预训练深度学习模型。本文介绍了一种新的非对比自我监督学习方法，以显式生成组合关系图（ExGRG）来克服图结构数据的语义改变和反直觉性增强的挑战，并展示其在图表示学习中的优越性。

    Feb, 2024